Wenn man sich als PhD-Student vornimmt, eine der weltweit anerkanntesten Theorien der Innovationsökonomie zu widerlegen, ahnt man anfangs nicht, auf welchen steinigen Weg man sich begibt. Mein Ziel war kein geringeres, als die berühmte Diffusionstheorie von Everett Rogers und Thomas Valente fundamental zu überprüfen. Beide hatten den Punkt der kritischen Masse – den sogenannten Tipping Point – bei einer Marktdurchdringung von ca. 10 % bis 20 % (meistens als 16 % zitiert) verortet.
Doch meine mathematischen Berechnungen, bei denen ich komplexe Differentialgleichungen bis zur dritten Ableitung (dem „Ruck“, der zeitlichen Änderungsrate der Beschleunigung) nutzte, sprachen eine völlig andere Sprache: Sie zeigten mir unmissverständlich, dass die wahre kritische Masse in modernen, vernetzten Märkten erst bei 25 % bis 27 % liegt.
Als ich diese Ergebnisse meinem Erstbetreuer, Professor Ted Fuller an der Lincoln International Business School, präsentierte, reagierte er zutiefst skeptisch. Rogers und Valente waren weltbekannte, unumstößliche Ikonen der Wissenschaft. Er machte mir unmissverständlich klar, wie gewagt es für einen Doktoranden sei, deren Lebenswerk infrage zu stellen. Um meine These abzusichern, gab er mir eine monumentale Aufgabe mit auf den Weg: „Finden Sie einen zweiten, unabhängigen Lösungsweg. Wenn beide mathematischen Wege zum selben Ergebnis führen, haben Sie eine Chance.“
Ich stand vor einer schier unlösbaren Aufgabe. Wie sollte ich einen zweiten mathematischen Beweis führen, wenn die bisherige Annahme von 16 % im Grunde auf einer theoretischen Normalverteilung basierte? In meiner Verzweiflung suchte ich den direkten Kontakt zu den Ursprüngen. Everett Rogers war zu diesem Zeitpunkt leider schon verstorben, aber es gelang mir, mit Professor Thomas Valente persönlich in Kontakt zu treten.
Was er mir in unserem Austausch anvertraute, war eine wissenschaftliche Sensation: Er bestätigte mir, dass weder er noch Rogers den Tipping Point jemals exakt mathematisch berechnet hatten. Die 16 % waren eine reine, plausible Heuristik – ein Dogma aus Sand, das die akademische Welt jahrzehntelang ungeprüft übernommen hatte.
Das spornte mich an. Ich stürzte mich tief in die Welt der Systemdynamik (SD) und der nicht-linearen Rückkopplungsschleifen. Es folgte ein echter Leidensweg aus endlosen Nächten, Codierung und mathematischer Modellierung. Ich konstruierte ein systemdynamisches Abbild der realen Wirtschaft und fütterte es mit Millionen von realen, empirischen Datensätzen aus der Mobilkommunikation (SMS, Voice, MMS, mobiles Surfen).
Und dann der Durchbruch: Nachdem das hochkomplexe SD-Modell präzise mit den Realdaten kalibriert war, konvergierten beide Wege. Die Computersimulation spuckte exakt denselben Wert aus wie meine analytischen Differentialgleichungen: 25 % bis 27 %. Ich hatte die methodische Triangulation geschafft. Der Beweis stand.
Der Tag des PhD Defending (der Disputation) kam. Mir saß ein hochkarätiges, fast furchteinflößendes Gremium gegenüber: vier Professoren, darunter zwei renommierte Mathematiker der Universitäten Cambridge und Leeds sowie zwei gestandene Wirtschaftswissenschaftler. Geplant waren für die Verteidigung die üblichen zwei Stunden.
Aus den zwei Stunden wurden am Ende viereinhalb.
Es wurde kein Verhör, sondern ein faszinierendes Fachkolloquium auf absolutem Augenhöhe-Niveau. Die Mathematiker, die normalerweise dafür bekannt sind, ökonomische Modelle aufgrund unsauberer Variablen in der Luft zu zerreißen, waren fasziniert von der mathematischen Tiefe meiner Arbeit. Sie sahen, wie die theoretische Physik (die 3. Ableitung) und die computergestützte Systemdynamik durch die exakte Kalibrierung realer Marktdaten wie Zahnräder ineinandergriffen. Sie erkannten, dass hier kein theoretisches Laborexperiment vorlag – wie es Jahre später, im Jahr 2018, von Centola et al. in einem künstlichen Online-Setting für Science nachgebaut wurde – sondern die reale, harte Marktökonomie.
Nach viereinhalb intensiven Stunden wissenschaftlicher Debatte hatte ich es geschafft: Das alte Dogma war empirisch und mathematisch widerlegt.
Die Begeisterung im Raum war so groß, dass die vier Professoren mich nach diesem Marathon unbedingt noch zum Mittagessen einladen wollten, um die Diskussion fortzusetzen. Mittlerweile war es allerdings fast 14:00 Uhr. So schwer es mir fiel: Ich musste den Professoren die Einladung ausschlagen. Mein Zeitplan war knallhart getaktet, und ich musste dringend auf die Autobahn Richtung Flughafen Heathrow aufbrechen, um meinen Rückflug nach Zürich nicht zu verpassen. Ich musste die vier sichtlich enttäuschten Gelehrten zurücklassen – aber mit dem unbezahlbaren Gefühl im Gepäck, das wissenschaftliche Fundament der Diffusionsforschung verschoben zu haben.
Die Verschiebung des Tipping Points von 16 % auf über 25 % ist kein akademisches Detail – sie entscheidet in der Praxis über Leben und Tod von Innovationen. Sie bedeutet, dass die „Selbstläufer-Zone“ fast doppelt so spät eintritt, als Unternehmen und Investoren traditionell annehmen. Wer den Markt nach Erreichen von 16 % sich selbst überlässt, scheitert kurz vor der Ziellinie. Man benötigt 30 % bis 50 % mehr Kapital, Atem und strategische Geduld, um diese kritische Lücke zu schließen. Eine Erkenntnis, die heute – von der E-Mobilität bis hin zu digitalen Plattformen – aktueller ist denn je.
Wenn man sich als PhD-Student vornimmt, eine der weltweit am tiefsten verankerten Theorien der Innovationsökonomie zu widerlegen, ahnt man anfangs nicht, auf welch steinigen Weg man sich begibt. Mein Ziel war kein geringeres, als die berühmte Diffusionstheorie von Everett Rogers und Thomas Valente fundamental zu erschüttern.
Seit Jahrzehnten galt in der Wissenschaft und der globalen Wirtschaft ein unumstößliches Dogma: Der Punkt der kritischen Masse – der sogenannte Tipping Point – liege bei einer Marktdurchdringung von ca. 10% bis 20% (in der Praxis meist exakt als 16% zitiert). Sobald die Summe aus Innovators (2,5%) und Early Adopters (13,5%) erreicht sei, so die Theorie, biege die Akzeptanzkurve steil nach oben ab. Das System werde zum Selbstläufer.
Doch meine mathematischen Berechnungen, bei denen ich komplexe Differentialgleichungen bis zur dritten Ableitung (dem „Ruck“, der zeitlichen Änderungsrate der Beschleunigung) nutzte, zeigten mir unmissverständlich, dass die gängige Lehrmeinung mathematisch nicht haltbar war. In modernen, vernetzten Märkten liegt die wahre kritische Masse weitaus höher – im optimalen Fall erst bei 25% bis 27%.
Als ich diese Ergebnisse meinem Erstbetreuer, Professor Ted Fuller an der Lincoln International Business School, präsentierte, reagierte er zutiefst skeptisch. Rogers und Valente waren weltbekannte Ikonen. Er machte mir klar, wie gewagt es für einen Doktoranden sei, deren Lebenswerk anzugreifen. Um meine These abzusichern, gab er mir eine monumentale Aufgabe mit auf den Weg: „Finden Sie einen zweiten, völlig unabhängigen Lösungsweg. Wenn beide mathematischen Wege exakt zum selben Ergebnis führen, haben Sie eine Chance.“
Ich stand vor einer schier unlösbaren Aufgabe. Wie sollte ich einen zweiten mathematischen Beweis führen, wenn die bisherige Annahme von 16% im Grunde auf einer rein theoretischen Normalverteilung basierte? In meiner Verzweiflung suchte ich den direkten Kontakt zu den Ursprüngen. Everett Rogers war zu diesem Zeitpunkt leider schon verstorben, aber es gelang mir, mit Professor Thomas Valente persönlich in Kontakt zu treten.
Was er mir in unserem Austausch anvertraute, war eine wissenschaftliche Sensation: Er bestätigte mir, dass weder er noch Rogers den Tipping Point jemals exakt mathematisch berechnet hatten. Die 16% waren eine reine, plausible Heuristik – ein akademisches Dogma aus Sand, das die Welt jahrzehntelang ungeprüft übernommen hatte.
Das spornte mich an. Ich stürzte mich tief in die Welt der Systemdynamik (SD) und der nicht-linearen Rückkopplungsschleifen. Es folgte ein echter Leidensweg aus endlosen Nächten, Codierung und mathematischer Modellierung. Ich konstruierte ein systemdynamisches Abbild der realen Wirtschaft und fütterte es mit Millionen von realen, empirischen Datensätzen aus der Mobilkommunikation (SMS, Voice, MMS, mobiles Surfen).
Und dann der Durchbruch: Nachdem das hochkomplexe SD-Modell präzise mit den Realdaten kalibriert war, konvergierten beide Wege. Die Computersimulation spuckte exakt denselben Korridor aus wie meine analytischen Differentialgleichungen: 25% bis 27%. Ich hatte die methodische Triangulation geschafft. Der empirische Beweis stand.
Der Tag des PhD Defending (der Disputation) im Jahr 2012 kam. Mir saß ein hochkarätiges, furchteinflößendes Gremium gegenüber: vier Professoren, darunter zwei renommierte Mathematiker der Universitäten Cambridge und Leeds sowie zwei gestandene Wirtschaftswissenschaftler. Geplant waren für die Verteidigung die üblichen zwei Stunden.
Aus den zwei Stunden wurden am Ende viereinhalb.
Es wurde kein Verhör, sondern ein faszinierendes Fachkolloquium auf absolutem Augenhöhe-Niveau. Die Mathematiker waren fasziniert von der mathematischen Tiefe meiner Arbeit. Sie sahen, wie die theoretische Physik (die 3. Ableitung) und die computergestützte Systemdynamik durch die exakte Kalibrierung realer Marktdaten wie Zahnräder ineinandergriffen. Sie erkannten, dass hier kein theoretisches Laborexperiment vorlag, sondern die reale, harte Marktökonomie abgebildet wurde. Das alte Dogma war mathematisch und empirisch widerlegt.
Die Begeisterung im Raum war so groß, dass die vier Professoren mich nach diesem Marathon unbedingt noch zum Mittagessen einladen wollten, um die Diskussion fortzusetzen. Mittlerweile war es allerdings fast 14:00 Uhr. So schwer es mir fiel: Ich musste den Professoren die Einladung ausschlagen. Mein Zeitplan war knallhart getaktet, und ich musste dringend auf die Autobahn Richtung Flughafen Heathrow aufbrechen, um meinen Rückflug nach Zürich nicht zu verpassen. Ich musste die vier sichtlich enttäuschten Gelehrten zurücklassen – aber mit dem unbezahlbaren Gefühl im Gepäck, in der Diffusionsforschung ein neues Paradigma geschaffen zu haben.
Schaut man sich die Entwicklung der weltweiten Spitzenforschung an, wird deutlich, dass meine Dissertation im Jahr 2012 eine Brücke zwischen der klassischen Theorie und der modernen Netzwerkphysik geschlagen hat. Die wissenschaftliche Flugbahn lässt sich in vier prägnante Phasen unterteilen:
Die Verschiebung des Tipping Points von 16% auf über 25% ist kein akademisches Detail – sie entscheidet in der Praxis über Leben und Tod von Innovationen, Start-ups und Großinvestitionen.
Sie bedeutet, dass die „Selbstläufer-Zone“ fast doppelt so spät eintritt, als Unternehmen und Investoren traditionell kalkulieren. Wer ein neues Produkt oder eine digitale Plattform nach Erreichen von 16% Marktanteil sich selbst überlässt, weil er an Rogers' Dogma glaubt, scheitert unweigerlich kurz vor der Ziellinie.
In modernen Netzwerk-Ökosystemen benötigen Unternehmen 30% bis 50% mehr Kapital, längere strategische Geduld (oft 2 bis 4 Jahre mehr Burn-Rate) und eine völlig veränderte KPI-Fokussierung: Nicht mehr die „Time-to-Market“ oder die „Time-to-16%“ entscheidet über den finalen Marktsieg, sondern die „Time-to-25%“. Meine Arbeit hat 2012 das mathematische und empirische Fundament geliefert, um dieses unternehmerische Risiko präzise berechenbar zu machen.
In der theoretischen Wissenschaft klingt die Nutzung von Differentialgleichungen bis zur dritten Ableitung (dem „Ruck“, der zeitlichen Änderungsrate der Beschleunigung) elegant und logisch. In der empirischen Praxis stieß ich jedoch sofort an eine massive mathematische Wand, die andere Forscher vor mir schlichtweg kapitulieren ließ: das Gesetz der Rauschverstärkung bei numerischer Differenzierung.
Reale Wirtschafts- und Marktdaten sind niemals perfekt „glatt“. Sie enthalten immer minimales statistisches Rauschen, saisonale Schwankungen oder Meldeverzögerungen. In der Mathematik und Signalverarbeitung gilt bei der Berechnung folgendes Grundgesetz: Jede Ableitung wirkt wie ein Hochpassfilter – sie verstärkt das Rauschen massiv.
Genau das ist der tiefere Grund, warum weltweit kein Ökonom oder Physiker vor mir diesen dynamischen Weg über den kinetischen „Markstruck“ zur Berechnung des Tipping Points gewagt hatte. Man hielt reale Marktdaten schlicht für ungeeignet für eine solch tiefe mathematische Analyse.
Um diesen methodischen Totpunkt zu überwinden, setzte ich mich intensiv mit versierten Mathematikern zusammen. Die Lösung lag nicht in einer nachträglichen Schönung der Ergebnisse, sondern in einem innovativen, mehrstufigen Filterungsverfahren während des laufenden Rechenprozesses:
Erst diese präzise mathematische Kaskaden-Filterung verhinderte den fatalen Datenverlust. Es war der entscheidende Durchbruch. Nun lag die Kurve des „Markstrucks“ messerscharf vor uns – und sie zeigte reproduzierbar und unumstößlich auf den Korridor von 25 % bis 27 %.
Um die Komplexität dieser Arbeit zu verstehen, muss man sie in den Kontext der weltweiten Diffusions- und Tipping-Point-Forschung einordnen. Während namhafte US-Forscher (wie Centola et al. 2018 in Science) den Tipping Point in künstlichen, sauberen Online-Labors mit Studenten testeten, um das Rausch-Problem zu umgehen, ging meine Arbeit den Weg der harten Realität.
Die methodische Überlegenheit lässt sich in drei Dimensionen zusammenfassen:
Dimension
Mathematische Basis
Umgang mit Daten
Fokus der Berechnung
Komplexitätsgrad
Traditionelle Forschung (Rogers / Valente)
Statistische Normalverteilung
(Gauss-Kurve)
Schätzungen, Heuristiken,
qualitative Beobachtung
Wann adaptiert die "Masse"
Niedrig (Deskriptive Statistik)
Moderne Netzwerkforschung (Centola / Phase 4)
Stochastik, Graphentheorie,
Agentenbasierte Moedelle
Künstliche Labordaten oder
theoretische Simulationen
Wie verändert sich die Struktur
des Netzwerks?
Medium bis Hoch
(Algorithmische Simulation)
Mein mathematischer Ansatz (2012)
Differenzialanalyse 3. Ableitung,
Systemdynamik
Iterative geglättete, empirische
Millionen-Realdaten
Wann erfährt die Marktdynamik
den maximalen physikalischen
Ruck?
Extrem Hoch (Analytische Kinetik + empirische Systemkalibrierung)
In der Wissenschaft gilt: „Je härter die Daten, desto schwieriger die Mathematik.“ Es ist leicht, komplexe Mathematik auf rein theoretische Modelle anzuwenden. Es ist ebenso leicht, einfache Statistik auf reale Daten anzuwenden.
Das Zusammenspiel aus hochkomplexer Differentialanalyse der 3. Ableitung, der algorithmischen Lösung des Rausch-Problems und der empirischen Systemkalibrierung an realen Massendaten macht diese Dissertation zu einem methodischen Meilenstein. Sie hat die qualitative Diffusionstheorie in eine exakte, messbare Naturwissenschaft überführt und stellt einen Paradigmenwechsel in der Diffusionsforschung dar.